Programa especializado: Machine Learning with TensorFlow on Google Cloud en Español

¿Qué es el aprendizaje automático y qué tipos de problemas puede solucionar? Google concibe el aprendizaje automático de una forma algo diferente: considera que se trata no solo de datos, sino también de lógica. Hablaremos de por qué es útil para los científicos de datos concebirlo así cuando piensan en compilar una canalización de modelos de aprendizaje automático.

Luego, analizaremos las cinco fases de la transformación de un posible caso de uso en un recurso que pueda aprovechar la tecnología de aprendizaje automático. También consideramos por qué es importante no omitir ninguna fase. Finalizamos con un reconocimiento de los sesgos que puede amplificar el aprendizaje automático y cómo reconocerlos. >>> Al inscribirse en esta especialización, acepta las Condiciones del Servicio de Qwiklabs, que se indican en las Preguntas frecuentes. Puede consultarlas en https://qwiklabs.com/terms_of_service. <<<

Comenzaremos con la historia del aprendizaje automático y discutiremos por qué las redes neuronales actualmente dan tan buenos resultados para una gran variedad de problemas de la ciencia de datos. Luego, veremos cómo configurar un problema de aprendizaje supervisado y encontrar una buena solución mediante el descenso de gradientes. Para esto, será necesario crear conjuntos de datos que permitan la generalización. Hablaremos sobre los métodos para hacerlo de una forma repetible que respalde la experimentación.

Objetivos del curso: Identificar por qué el aprendizaje profundo es popular en la actualidad Optimizar y evaluar modelos mediante las funciones de pérdida y las métricas de rendimiento Mitigar problemas comunes que se presentan en el aprendizaje automático Crear conjuntos de datos repetibles y escalables para entrenamiento, evaluación y pruebas

Este curso se enfoca en aprovechar la flexibilidad y facilidad de uso de TensorFlow 2.x y Keras para compilar, entrenar e implementar modelos de aprendizaje automático. Aprenderá sobre la jerarquía de la API de TensorFlow 2.x y conocerá los componentes principales de TensorFlow mediante ejercicios prácticos. Le mostraremos cómo trabajar con conjuntos de datos y columnas de atributos. Aprenderá a diseñar y compilar una canalización de datos de entrada de TensorFlow 2.x. Adquirirá experiencia práctica en la carga de arreglos de NumPy, imágenes y datos de texto con tf.data.Dataset, así como de datos de CSV con Pandas. También adquirirá experiencia práctica en la creación de columnas de atributos numéricas, categóricas, agrupadas en depósitos y con hash.

Además, le presentaremos las API secuencial y funcional de Keras para mostrarle cómo crear modelos de aprendizaje profundo. Hablaremos sobre las funciones de activación, pérdida y optimización. Nuestros labs prácticos sobre los notebooks de Jupyter le permitirán compilar modelos de aprendizaje automático de regresión lineal básica, y de regresión logística básica y avanzada. Aprenderá a entrenar, implementar y llevar a producción modelos de aprendizaje automático a gran escala con AI Platform de Cloud.

¿Quiere saber cómo mejorar la exactitud de los modelos de AA?, ¿cómo puede averiguar qué columnas de datos crean los atributos más útiles? Le damos la bienvenida a Feature Engineering, donde analizaremos los atributos buenos y los malos, y cómo los puede preprocesar y transformar para aprovecharlos al máximo en sus modelos.